1.一种基于YOLOv5的轻量型交通标志识别方法，其特征在于，包括：获取待识别图片；

将待识别图片输入到构建好的基于YOLOv5的轻量型交通标志识别模型中，识别出待识别图片中的交通标志；

所述基于YOLOv5的轻量型交通标志识别模型包括主干网络、特征融合网络、轻量型三角式卷积层、检测层和损失函数；

所述主干网络用于对待识别图片进行特征提取；

所述特征融合网络用于对主干网络输出的特征图进行特征融合；

所述轻量型三角式卷积层用于提高特征融合网络输出的特征图的分辨率；

所述检测层用于识别轻量型三角式卷积层输出的特征图中的交通标志；

所述损失函数用于提高模型的识别精度；

将特征融合网络输出的特征图P1输入到轻量型三角式卷积层后，所述轻量型三角式卷积层执行的操作包括：对特征图P1作亚像素卷积生成与特征图P1尺寸不同的特征图P2，将特征图P2与浅层网络中相同大小的特征图做特征融合，生成检测中等目标的特征图P2，对特征图P2作亚像素卷积；

对特征图P1作上采样和亚像素卷积后，与特征图P2做特征融合，得到特征图P3；

通过以上步骤得到不同尺寸大小的特征图P1、特征图P2和特征图P3。

2.根据权利要求1所述的一种基于YOLOv5的轻量型交通标志识别方法，其特征在于，还包括将待识别图片的尺寸更改为1280×1280×3的步骤，以便更好地识别交通目标。

3.根据权利要求2所述的一种基于YOLOv5的轻量型交通标志识别方法，其特征在于，所述主干网络包括CSPDarknet，通过多层卷积网络与跨层次融合网络对待识别图片的特征进行初步提取。

4.根据权利要求2所述的一种基于YOLOv5的轻量型交通标志识别方法，其特征在于，所述特征融合网络包括注意力模块，注意力模块包括串行地空间注意力模块和通道注意力模块，先执行通道注意力模块，再执行空间注意力模块；

所述通道注意力模块将输入地特征图分别进行基于高度和宽度地全局平均池化和最大池化，得到两个包含全局特征信息地特征矩阵，将特征矩阵分别送入一个两层的卷积神经网络，将输出的特征进行加和操作，再经过Sigmoid函数激活操作，最后生成通道注意力权重并输出；

所述空间注意力模块将所述通道注意力权重作为输入特征图，先经过一个基于通道数的全局最大池化、全局平均池化的网络层，将输入特征图降维至1通道，得到1维特征图，将输入特征图和1维特征图做基于通道的拼接操作，再经过卷积层和Sigmoid函数激活操作，最后生成空间注意力权重并输出。

5.根据权利要求1所述的一种基于YOLOv5的轻量型交通标志识别方法，其特征在于，所述损失函数是改进的CIoU，其表达式为：；

其中，IoU是交并比， 是权重系数，ρ是b和bgt之间的欧式距离，b是预测中心坐标的参数，bgt是真实目标边界框中心的参数，d是预测框和真实目标边界框的最小外接矩形对角线长度，是用于衡量长宽比的一致性。

6.一种基于YOLOv5的轻量型交通标志识别系统，其特征在于，包括：图片获取模块：用于获取待识别图片；

交通标志识别模块：用于将待识别图片输入到构建好的基于YOLOv5的轻量型交通标志识别模型中，识别出待识别图片中的交通标志；

其中，所述基于YOLOv5的轻量型交通标志识别模型包括主干网络、特征融合网络、轻量型三角式卷积层、检测层和损失函数；

所述主干网络用于对待识别图片进行特征提取；

所述特征融合网络用于对主干网络输出的特征图进行特征融合；

所述轻量型三角式卷积层用于提高特征融合网络输出的特征图的分辨率；

所述检测层用于识别轻量型三角式卷积层输出的特征图中的交通标志；

所述损失函数用于提高模型的识别精度；

将特征融合网络输出的特征图P1输入到轻量型三角式卷积层后，所述轻量型三角式卷积层执行的操作包括：对特征图P1作亚像素卷积生成与特征图P1尺寸不同的特征图P2，将特征图P2与浅层网络中相同大小的特征图做特征融合，生成检测中等目标的特征图P2，对特征图P2作亚像素卷积；

对特征图P1作上采样和亚像素卷积后，与特征图P2做特征融合，得到特征图P3；

通过以上步骤得到不同尺寸大小的特征图P1、特征图P2和特征图P3。

7.一种基于YOLOv5的轻量型交通标志识别装置，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1至5任一项所述方法的步骤。

8.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至5任一项所述方法的步骤。